带约束的数据驱动自适应建筑热控制器调参：一种原始-对偶上下文贝叶斯优化方法
系统与控制
2023-10-03 v1 机器学习
系统与控制
摘要
我们研究在居住者每日累积热不适低于给定阈值的约束下，调节室温控制器参数以最小化其能耗的问题。我们将其建模为一个在线约束黑盒优化问题：每天观测相关环境上下文并自适应选择控制器参数。本文提出采用数据驱动的原始-对偶上下文贝叶斯优化（PDCBO）方法求解该问题。在单房间的仿真案例研究中，我们将算法应用于调节比例积分（PI）供热控制器参数及预热时间。结果表明，与其他最先进的基于贝叶斯优化的方法相比，PDCBO 可节省多达 4.7% 的能耗，同时平均将每日热不适保持在给定可容忍阈值以下。此外，PDCBO 能自动跟踪时变可容忍阈值，而现有方法无法实现。我们随后研究了另一种约束调参问题：在给定能耗预算下最小化热不适。在该设定下，PDCBO 与最先进的安全优化方法相比将平均不适降低多达 63%，同时保持平均每日能耗低于所需阈值。
引用
@article{arxiv.2310.00758,
title = {Data-driven adaptive building thermal controller tuning with constraints: A primal-dual contextual Bayesian optimization approach},
author = {Wenjie Xu and Bratislav Svetozarevic and Loris Di Natale and Philipp Heer and Colin N Jones},
journal= {arXiv preprint arXiv:2310.00758},
year = {2023}
}